基于替代品模型的推薦系統(tǒng)研究.pdf

1、信息過濾作為從信息檢索衍生出來的新的研究點(diǎn)，越來越受到關(guān)注。針對(duì)搜索引擎返回的大量結(jié)果，使用信息過濾技術(shù)進(jìn)行過濾可以大大提高索引精度，同時(shí)提供一些信息檢索所不能提供的個(gè)性化服務(wù)。推薦系統(tǒng)是信息過濾技術(shù)的應(yīng)用。傳統(tǒng)的推薦系統(tǒng)主要是基于兩種類型的過濾技術(shù)——基于內(nèi)容的過濾以及協(xié)同過濾。 本文在傳統(tǒng)過濾的基礎(chǔ)上結(jié)合經(jīng)濟(jì)學(xué)中的“替代品”引入了“相關(guān)集”的概念。當(dāng)A項(xiàng)目增加的數(shù)量與B項(xiàng)目的減少數(shù)量存在比例關(guān)系時(shí)，稱A項(xiàng)目和B項(xiàng)目是“替代品

2、”。“相關(guān)集”是指項(xiàng)目的變化量之間存在一定比例關(guān)系的項(xiàng)目的集合。項(xiàng)目變化量之間的比例關(guān)系稱為“相關(guān)率”。“相關(guān)集”是對(duì)替代品概念的擴(kuò)充，其包括正向相關(guān)和反向相關(guān)。正向相關(guān)是指項(xiàng)目的數(shù)量變化存在正比例的數(shù)量關(guān)系。反向相關(guān)是指項(xiàng)目的數(shù)量變化存在反比例的數(shù)量關(guān)系。而“替代品”是反向相關(guān)的一個(gè)例子。“相關(guān)集”的引入對(duì)推薦項(xiàng)目進(jìn)行了進(jìn)一步的細(xì)分，使推薦項(xiàng)目變化量之間具有數(shù)量上的關(guān)系。同時(shí)針對(duì)不同用戶設(shè)置其相應(yīng)的“相關(guān)集”，可以更加準(zhǔn)確的描述用戶的

3、偏好。 文中介紹了兩種構(gòu)造相關(guān)集的方法。一種是“連續(xù)型構(gòu)造方法”。連續(xù)型的構(gòu)造方法是根據(jù)用戶的歷史紀(jì)錄用回歸方法得出該項(xiàng)目的時(shí)間—數(shù)量函數(shù)。然后根據(jù)時(shí)間—數(shù)量函數(shù)得到相關(guān)率表。連續(xù)型的構(gòu)造方式的優(yōu)點(diǎn)是可以從任意小的粒度上去跟蹤用戶的歷史選擇記錄。缺點(diǎn)是存在過度擬和的危險(xiǎn)，時(shí)間—數(shù)量函數(shù)的誤差會(huì)在后續(xù)的計(jì)算中被擴(kuò)大。 另一種是“離散型構(gòu)造方法”。離散型的構(gòu)造方法是從不同的粒度中找出最佳的相關(guān)率，然后構(gòu)造相關(guān)率表。離散型的構(gòu)

4、造方式的優(yōu)點(diǎn)是求解項(xiàng)目相關(guān)率的方法簡單，只需做一次減法。缺點(diǎn)是只能從大于最小時(shí)間間隔的粒度上去跟蹤用戶的歷史選擇記錄。當(dāng)最小時(shí)間間隔的值不恰當(dāng)時(shí)，會(huì)造成較大的誤差。 在相關(guān)集的基礎(chǔ)上，本文進(jìn)一步的設(shè)計(jì)出了帶上下文的推薦算法。與傳統(tǒng)的推薦方式不同的是，在本系統(tǒng)中把推薦過程看作用戶和推薦系統(tǒng)的博弈過程。并運(yùn)用“完全但不完美的動(dòng)態(tài)博弈模型”刻畫推薦過程，設(shè)計(jì)出動(dòng)態(tài)的推薦算法。即對(duì)每一次的推薦動(dòng)態(tài)的調(diào)整推薦結(jié)果集，以更準(zhǔn)確地跟蹤用戶偏好